YOLO11 YOLOv5: 실시간 객체 탐지의 진화
YOLO You Only Look Once) 계열의 진화는 컴퓨터 비전 분야의 급속한 혁신을 보여주는 연대기입니다. YOLOv5는 2020년 Ultralytics 의해 출시되어 놀라울 정도로 사용자 친화적인 API와 강력한 PyTorch 통해 고성능 객체 탐지를 가능하게 함으로써 분야에 혁신을 가져왔습니다. 2024년 말로 빠르게 넘어가면, YOLO11 는 수년간의 피드백과 아키텍처 발전을 바탕으로 정교한 성능을 갖춘 강자로 등장하여 탁월한 효율성과 정확성을 제공합니다.
이 비교는 두 가지 상징적인 모델 사이에서 이루어진 기술적 발전을 탐구하여, 개발자들이 기존 시스템을 유지 관리할 시기와 최신 아키텍처로 업그레이드할 시기를 이해하는 데 도움을 줍니다.
성능 지표 분석
YOLOv5 YOLO11 도약은 표준 벤치마크에서의 성능을 통해 가장 잘 확인할 YOLO11 . YOLO11 상당한 최적화를 YOLO11 계산 부하를 유지하거나 줄이면서도 더 높은 평균 정밀도(mAP)를 달성할 수 있게 합니다.
| 모델 | 크기 (픽셀) | mAPval 50-95 | 속도 CPU ONNX (ms) | 속도 T4 TensorRT10 (ms) | 파라미터 (M) | FLOPs (B) |
|---|---|---|---|---|---|---|
| YOLO11n | 640 | 39.5 | 56.1 | 1.5 | 2.6 | 6.5 |
| YOLO11s | 640 | 47.0 | 90.0 | 2.5 | 9.4 | 21.5 |
| YOLO11m | 640 | 51.5 | 183.2 | 4.7 | 20.1 | 68.0 |
| YOLO11l | 640 | 53.4 | 238.6 | 6.2 | 25.3 | 86.9 |
| YOLO11x | 640 | 54.7 | 462.8 | 11.3 | 56.9 | 194.9 |
| YOLOv5n | 640 | 28.0 | 73.6 | 1.12 | 2.6 | 7.7 |
| YOLOv5s | 640 | 37.4 | 120.7 | 1.92 | 9.1 | 24.0 |
| YOLOv5m | 640 | 45.4 | 233.9 | 4.03 | 25.1 | 64.2 |
| YOLOv5l | 640 | 49.0 | 408.4 | 6.61 | 53.2 | 135.0 |
| YOLOv5x | 640 | 50.7 | 763.2 | 11.89 | 97.2 | 246.4 |
주요 내용
- 정확도 향상: YOLO11n은 놀라운 39.5% mAP 달성하여 YOLOv5n(28.0% mAP)을 크게 능가합니다. 이로써 가장 작은 YOLO11 이전에는 더 크고 느린 모델이 필요했던 복잡한 작업에 활용 가능해졌습니다.
- 연산 효율성: 더 높은 정확도에도 불구하고, YOLO11 일반적으로 더 적은 FLOPs를 요구합니다. 예를 들어, YOLO11x는 YOLOv5x보다 약 20% 적은 FLOPs를 사용하면서도 우수한 탐지 결과를 제공합니다.
- CPU : YOLO11 CPU ONNX 현저히 YOLO11 , 이는 라즈베리 파이와 같은 에지 디바이스에 배포할 때 중요한 요소입니다.
YOLO11: 정교한 효율성과 다용도성
2024년 9월 출시된 YOLO11 YOLO 반복적 개선을 집대성한 YOLO11 . 단순한 탐지 기능뿐만 아니라 분할, 자세 추정, 방향성 바운딩 박스(OBB)를 포함한 통합 비전 파이프라인을 지원하도록 설계되었습니다.
기술 사양:
- 저자: 글렌 조커와 징 치우
- 조직:Ultralytics
- 날짜:27
- 링크:GitHub, 문서
아키텍처 하이라이트
YOLO11 기울기 흐름을 최적화하는 개선된 CSP(Cross Stage Partial) 병목 구조인 C3k2 블록을YOLO11 . 또한 탐지 헤드에 C2PSA (공간적 어텐션 기반 크로스 스테이지 부분)를 적용하여 복잡한 장면에서 핵심 특징에 집중하는 모델 능력을 향상시킵니다. YOLOv5 달리 YOLO11 앵커 박스 없이YOLO11 아키텍처로, 특정 데이터셋에 대한 앵커 박스 계산이 필요 없어 훈련 과정을 단순화하고 더 나은 일반화 성능을 제공합니다.
왜 YOLO11 선택해야 하나요?
YOLO11 대부분의 신규 상업용 애플리케이션에 권장되는 YOLO11 . 높은 정확도(mAP)와 낮은 자원 소모의 균형으로 인해 소매, 스마트 시티, 의료 분야의 실시간 분석에 이상적입니다.
YOLOv5: 업계 표준
2020년 중반 출시된 YOLOv5 AI 업계에서 사용 편의성의 기준을 제시했습니다. 단일 저장소 내에서 "훈련, 검증, 배포"를 원활한 경험으로 만든 최초의 모델이었으며, 이는 오늘날 Ultralytics 사용자 중심 철학을 확립했습니다.
기술 사양:
- 작성자: Glenn Jocher
- 조직:Ultralytics
- 날짜:26
- 링크:GitHub, 문서
아키텍처 하이라이트
YOLOv5 CSPDarknet 백본을 YOLOv5 앵커 기반 탐지기입니다. 앵커 기반 접근법은 매우 효과적이지만, 박스 크기와 관련된 하이퍼파라미터 튜닝에 민감할 수 있습니다. 오래된 프레임워크임에도 불구하고, YOLOv5 특히 구형 하드웨어나 특정 소프트웨어 인증으로 인해 프로젝트가 구형 프레임워크 버전에 고정되는 상황에서 여전히 신뢰할 수 있는 핵심 도구로 YOLOv5 .
건축적 차이점과 훈련
에코시스템 및 사용 편의성
두 모델 모두의 가장 큰 장점 중 하나는 Ultralytics 통합입니다. YOLOv5 YOLO11 YOLOv5 , 통합된 API, 방대한 문서, TensorRT, CoreML, OpenVINO 같은 형식으로의 원활한 모델 내보내기 지원 등의 혜택을 누릴 수 있습니다.
그러나 YOLO11 최신 업데이트의 혜택을 YOLO11 ultralytics Python , 다음과 같은 도구들과의 긴밀한 통합을 제공합니다. Ultralytics Platform 클라우드 교육 및 데이터셋 관리를 위한.
교육 효율성
YOLO11 개선된 아키텍처와 손실 함수로 인해 훈련 중 YOLO11 더 빠르게 수렴합니다. 메모리 요구 사항 또한 매우 최적화되어 있습니다. 상당한 VRAM을 요구하는 대규모 트랜스포머 모델과 달리, YOLO11 및 YOLOv5)은 소비자용 GPU에서도 효율적으로 훈련할 수 있습니다.
Ultralytics Python 사용하여 YOLO11 훈련하는 방법은 다음과 같습니다:
from ultralytics import YOLO
# Load a COCO-pretrained YOLO11n model
model = YOLO("yolo11n.pt")
# Train the model on the COCO8 example dataset
# fast, efficient, and low-memory usage
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)
다용도성
YOLOv5 수명 주기 후반에 세분화 및 분류를 지원하도록 YOLOv5 , YOLO11 는 이러한 작업을 염두에 두고 처음부터 설계되었습니다. 객체 탐지, 인스턴스 분할, 자세 추정 또는 방향성 경계 상자(OBB) 간 전환이 필요한 프로젝트라면, YOLO11 이러한 모든 모달리티에 걸쳐 더 일관되고 높은 성능의 경험을 YOLO11 .
결론: 어떤 모델을 사용할 것인가?
오늘날 프로젝트를 시작하는 대다수의 사용자에게, YOLO11 이 확실한 승자입니다. 이는 복잡성을 증가시키지 않으면서도 더 나은 정확도와 유사하거나 더 빠른 속도를 제공하는 '공짜 점심'과 같은 개선점을 제공합니다. YOLOv5 연구 및 기존 시스템 유지보수를 위한 훌륭한 기준점이 YOLOv5 , 현대적 아키텍처와의 순수한 지표별 비교에서는 뒤처집니다.
최첨단: YOLO26
컴퓨터 비전 기술의 최첨단(2026년 1월 기준)을 찾고 계시다면, YOLO26을 살펴보시기 바랍니다.
YOLO26은 YOLO11 기반을 YOLO11 비최대 억제(NMS) 후처리 과정이 필요 없는 종단간 ( End-to-End) NMS 설계를 도입했습니다. 이로 인해 특히 CPU 의존하는 에지 디바이스에서 더 간편한 배포와 빠른 추론 속도를 실현합니다. MuSGD 최적화기 및 ProgLoss와 같은 혁신을 통해 YOLO26은 이전 세대에 비해 최대 43% 빠른 CPU 제공합니다.